Convierte una columna en un conjunto de columnas. A continuación se muestran los parámetros, cada uno con un ejemplo:

• data: Tabla de datos a transformar.

• id_cols: Conjunto de columnas que identifican cada observación. Por defecto utiliza todas las columnas, excepto aquellas que se encuentran en los parámetros names_from y values_from.

• names_from: Describe la columna (o columnas) que se va a separar.

• values_from: Describe la columna (o columnas) que contiene el valor.

datos <- data.frame(
  id     = c("A", "A", "A", "A", "B", "B", "B", "B"),
  pais   = c("Costa Rica", "Colombia", "Costa Rica", "Honduras", "Colombia", "Colombia", "Honduras", "Honduras"),
  dia    = c("dia1", "dia2", "dia3", "dia4", "dia1", "dia2", "dia3", "dia4"),
  puntos = c(10, 20, 25, 10, 10, 50, 50, 25)
)
datos

pivot_wider(
  datos, 
  id_cols = id, # No toma en cuenta la variable pais
  names_from = dia, 
  values_from = puntos
)

pivot_wider(
  datos, 
  #id_cols sin esta variable se utilizan todas las variables.
  names_from = dia, 
  values_from = puntos
)

• names_prefix: Texto que se adiciona al inicio de todos los nombres de columna. Se utiliza particularmente cuando la columna (o columnas) en names_from solo tiene valores numéricos.

datos <- data.frame(
  id     = c("A", "A", "A", "A", "B", "B", "B", "B"),
  dia    = c("1", "2", "3", "4", "1", "2", "3", "4"),
  puntos = c(10, 20, 25, 10, 10, 50, 50, 25)
)
datos

pivot_wider(
  datos, 
  names_from = dia, 
  values_from = puntos,
  names_prefix = "numero"
)

• names_sep: Si names_from o values_from contiene multiples columnas, se utilizará este parámetro para digitar la forma en que se separan textualmente el nombre de las columnas cuando se unan.

datos <- data.frame(
  id     = c("A", "A", "A", "A", "B", "B", "B", "B"),
  pais   = c("Costa Rica", "Colombia", "Costa Rica", "Honduras", "Colombia", "Colombia", "Honduras", "Honduras"),
  dia    = c("dia1", "dia2", "dia3", "dia4", "dia1", "dia2", "dia3", "dia4"),
  puntos = c(10, 20, 25, 10, 10, 50, 50, 25)
)
datos

pivot_wider(
  datos, 
  names_from = c(dia, pais), 
  values_from = puntos,
  names_sep = "_" # Este es el valor por defecto
)

datos <- data.frame(
  id     = c("A", "A", "A", "A", "B", "B", "B", "B"),
  pais   = c("Costa Rica", "Colombia", "Costa Rica", "Honduras", "Colombia", "Colombia", "Honduras", "Honduras"),
  dia    = c("dia1", "dia2", "dia3", "dia4", "dia1", "dia2", "dia3", "dia4"),
  puntos = c(10, 20, 25, 10, 10, 50, 50, 25),
  valor  = c(100, 200, 250, 100, 100, 500, 500, 250)
)
datos

pivot_wider(
  datos, 
  names_from  = c(dia, pais), 
  values_from = c(puntos, valor),
  names_sep = "."
)

• values_fill: Opcional, lista en la que se le indica a cada columna en values_from el valor a utilizar en caso de exista un dato perdido.

datos <- data.frame(
  id     = c("A", "A", "A", "A", "B", "B", "B", "B"),
  pais   = c("Costa Rica", "Colombia", "Costa Rica", "Honduras", "Colombia", "Colombia", "Honduras", "Honduras"),
  dia    = c("dia1", "dia2", "dia3", "dia4", "dia1", "dia2", "dia3", "dia4"),
  puntos = c(10, 20, 25, 10, 10, 50, 50, 25)
)
datos

pivot_wider(
  datos, 
  names_from = dia, 
  values_from = puntos,
  values_fill = list(puntos = NA) # Valor por defecto
)

pivot_wider(
  datos, 
  names_from = dia, 
  values_from = puntos,
  values_fill = list(puntos = 0)
)

• values_fn: Opcional, lista en la que se le indica a cada columna en values_from la función a utilizar en caso de que existan valores duplicados, por ejemplo sumarlos (sum), promediarlos (mean), etc.

datos <- data.frame(
  id     = c("A", "A", "A", "A", "B", "B", "B", "B"),
  pais   = c("Costa Rica", "Colombia", "Costa Rica", "Honduras", "Colombia", "Colombia", "Honduras", "Honduras"),
  dia    = c("dia1", "dia2", "dia3", "dia4", "dia1", "dia2", "dia3", "dia4"),
  puntos = c(10, 20, 25, 10, 10, 50, 50, 25)
)
datos

pivot_wider(
  datos, 
  id_cols = id,
  names_from = pais, 
  values_from = puntos
)

Warning: Values in `puntos` are not uniquely identified; output will contain list-cols.
* Use `values_fn = list(puntos = list)` to suppress this warning.
* Use `values_fn = list(puntos = length)` to identify where the duplicates arise
* Use `values_fn = list(puntos = summary_fun)` to summarise duplicates

pivot_wider(
  datos, 
  id_cols = id,
  names_from = pais, 
  values_from = puntos,
  values_fn = list(puntos = sum)
)

Se puede interpretar como la inversa de pivot_wider(). En este caso la función crea una única columna a partir de un conjunto de columnas. A continuación se muestran los parámetros, cada uno con un ejemplo:

• data: Tabla de datos a transformar.

• cols: Describe las columnas que se van a unir.

• names_to: Texto que se utilizará para dar nombre a la nueva columna formada con el nombre de las columnas. Puede ser un vector de nombres si se provee el parámetro names_sep.

• values_to: Texto que se utilizará para dar nombre a la nueva columna formada con el valor.

datos <- data.frame(
  id     = c("A", "B"),
  dia1 = c(10, 10),
  dia2 = c(20, 50),
  dia3 = c(25, 50),
  dia4 = c(10, 25)
)
datos

pivot_longer(
  datos, 
  cols = -id, # Toma todas menos id
  names_to = "dia",
  values_to = "puntos"
)

• names_prefix: Texto que se eliminará en cada uno de los valores de los nombres de la nueva columna.

datos <- data.frame(
  id     = c("A", "B"),
  dia1 = c(10, 10),
  dia2 = c(20, 50),
  dia3 = c(25, 50),
  dia4 = c(10, 25)
)
datos

pivot_longer(
  datos, 
  cols = -id,
  names_to = "dia",
  values_to = "puntos",
  names_prefix = "dia"
)

• names_sep: Texto que separa el nombre de la columna en nuevas columnas.

datos <- data.frame(
  id     = c("A", "B"),
  dia1_CostaRica = c(10, NA),
  dia2_Colombia = c(20, 50),
  dia3_CostaRica = c(25, NA),
  dia4_Honduras = c(10, 25),
  dia1_Colombia = c(NA, 10),
  dia3_Honduras = c(NA, 50)
)
datos

pivot_longer(
  datos, 
  cols = -id,
  names_to = c("dia", "pais"),
  values_to = "puntos",
  names_prefix = "dia",
  names_sep = "_"
)

• names_ptypes: Permite asignar el tipo de dato que se quiere para la nueva columna formada a partir de los nombres de las columnas.

• values_ptypes: Permite asignar el tipo de dato que se quiere para la nueva columna formada a partir del valor de las columnas.

datos <- data.frame(
  id     = c("A", "B"),
  dia1_CostaRica = c(10, NA),
  dia2_Colombia = c(20, 50),
  dia3_CostaRica = c(25, NA),
  dia4_Honduras = c(10, 25),
  dia1_Colombia = c(NA, 10),
  dia3_Honduras = c(NA, 50)
)
datos

pivot_longer(
  datos, 
  cols = -id,
  names_to = c("dia", "pais"),
  values_to = "puntos",
  names_prefix = "dia",
  names_sep = "_",
  names_ptypes = list(dia = integer(), pais = factor()),
  values_ptypes = list(puntos = integer())
)

• values_drop_na: Si “TRUE” elimina las filas con valores NA.

datos <- data.frame(
  id     = c("A", "B"),
  dia1_CostaRica = c(10, NA),
  dia2_Colombia = c(20, 50),
  dia3_CostaRica = c(25, NA),
  dia4_Honduras = c(10, 25),
  dia1_Colombia = c(NA, 10),
  dia3_Honduras = c(NA, 50)
)
datos

pivot_longer(
  datos, 
  cols = -id,
  names_to = c("dia", "pais"),
  values_to = "puntos",
  names_prefix = "dia",
  names_sep = "_",
  names_ptypes = list(dia = integer(), pais = factor()),
  values_ptypes = list(puntos = integer()),
  values_drop_na = T # Por defecto es FALSE
)

Convierte una columna tipo caracter en múltiples columnas por medio de una separación de los valores según algún caracter especial. A continuación se muestran los parámetros, cada uno con un ejemplo:

• data: Tabla de datos a transformar.

• col: Describe la columna que se va a separar.

• into: Nombre de las nuevas columnas.

• sep: Texto con el que se va a analizar las filas para separarlas.

datos <- data.frame(
  pais = c("Espana", "Nicaragua", "Chile"),
  coordenadas = c("39.3262345,-4.8380649", "12.6090157,-85.2936911", "-34.9964963,-64.9672817")
)
datos

separate(
  datos, 
  col = coordenadas, 
  into = c("latitud", "longitud"), 
  sep = ","
)

• remove: Si “TRUE”, elimina la columna original.

datos <- data.frame(
  pais = c("Espana", "Nicaragua", "Chile"),
  coordenadas = c("39.3262345,-4.8380649", "12.6090157,-85.2936911", "-34.9964963,-64.9672817")
)
datos

separate(
  datos, 
  col = coordenadas, 
  into = c("latitud", "longitud"), 
  sep = ",", 
  remove = F # Mantiene la variable original
)

• extra: Acción a tomar cuando hay una fila que tiene elementos de más. “warn” (por defecto): elimina valores extras y emite una advertencia, “drop”: elimina valores extras y “merge”: que combina los valores de más con la última fila.

datos <- data.frame(
  pais = c("Espana", "Nicaragua", "Chile"),
  coordenadas = c("39.3262345,-4.8380649", "12.6090157,-85.2936911", "-31.7613365,-71.3187697,755776.4")
)
datos

separate(
  datos, 
  col = coordenadas, 
  into = c("latitud", "longitud"), 
  sep = ",", 
  extra = "warn" # Valor por defecto
)

Warning: Expected 2 pieces. Additional pieces discarded in 1 rows [3].

separate(
  datos, 
  col = coordenadas, 
  into = c("latitud", "longitud"), 
  sep = ",", 
  extra = "drop"
)

separate(
  datos, 
  col = coordenadas, 
  into = c("latitud", "longitud"), 
  sep = ",", 
  extra = "merge"
)

• fill: Acción a tomar cuando hay una fila que tiene menos elementos. “warn” (por defecto): rellena con “NA” a la derecha y emite una advertencia, “right”: rellena con “NA” a la derecha y “left”: rellena con “NA” a la izquierda.

datos <- data.frame(
  pais = c("Espana", "Nicaragua", "Chile"),
  coordenadas = c("39.3262345,-4.8380649", "12.6090157,-85.2936911", "-31.7613365")
)
datos

separate(
  datos, 
  col = coordenadas, 
  into = c("latitud", "longitud"), 
  sep = ",", 
  fill = "warn" # Valor por defecto
)

Warning: Expected 2 pieces. Missing pieces filled with `NA` in 1 rows [3].

separate(
  datos, 
  col = coordenadas, 
  into = c("latitud", "longitud"), 
  sep = ",", 
  fill = "right"
)

separate(
  datos, 
  col = coordenadas, 
  into = c("latitud", "longitud"), 
  sep = ",", 
  fill = "left"
)

Une un conjunto de columnas tipo caracter en una sola columna. A continuación se muestran los parámetros, cada uno con un ejemplo:

• data: Tabla de datos.

• col: Nombre que va a recibir la nueva columna.

• …: Conjunto de columnas que se van a unir.

• sep: Texto con el que se va a separar cada valor.

datos <- data.frame(
  nombre = c("Juan", "Luis", "Ana", "Maria"),
  anno = c("1990", "1980", "1988", "1983"),
  mes = c("02", "11", "09", "07"),
  dia = c("12", "01", "23", "23")
)
datos

unite(
  datos, 
  col = "fecha", 
  c(anno, mes, dia), 
  sep = "-", 
)

• remove: Si “TRUE”, elimina la columna original.

datos <- data.frame(
  nombre = c("Juan", "Luis", "Ana", "Maria"),
  anno = c("1990", "1980", "1988", "1983"),
  mes = c("02", "11", "09", "07"),
  dia = c("12", "01", "23", "23")
)
datos

unite(
  datos, 
  col = "fecha", 
  c(anno, mes, dia), 
  sep = "-", 
  remove = FALSE
)

• na.rm: Si “TRUE”, incluye “NA” en el valor de la unión de las columnas.

datos <- data.frame(
  nombre = c("Juan", "Luis", "Ana", "Maria"),
  anno = c("1990", NA, NA, "1983"),
  mes = c("02", "11", "09", NA),
  dia = c("12", "01", NA, "23")
)

# Para evitar problemas utilizar las variables como tipo "character".
datos$anno <- as.character(datos$anno)
datos$mes <- as.character(datos$mes)
datos$dia <- as.character(datos$dia)

datos

unite(
  datos, 
  col = "fecha", 
  c(anno, mes, dia), 
  sep = "-",
  na.rm = FALSE # Valor por defecto
)

unite(
  datos, 
  col = "fecha", 
  c(anno, mes, dia), 
  sep = "-",
  na.rm = TRUE
)

Se utiliza para renombrar las columnas.

datos <- data.frame(
  id   = c("A", "A", "A", "B", "B"),
  pais = c("Costa Rica", "Colombia", "Honduras", "Colombia", "Honduras"),
  dia1 = c(10, 30, 25, 10, 50),
  dia2 = c(10, 15, 20, 10, 10),
  dia3 = c(10, 50, 50, 40, 50),
  dia4 = c(10, 40, 25, 50, 25)
)
datos

rename(
  datos, 
  "grupo" = id, 
  "d1" = dia1, 
  "d2" = dia2, 
  "d3" = dia3, 
  "d4" = dia4
)

Permite seleccionar una o varias columnas, de un set de datos dado.

datos <- data.frame(
  id   = c("A", "A", "A", "B", "B"),
  pais = c("Costa Rica", "Colombia", "Honduras", "Colombia", "Honduras"),
  dia1 = c(10, 30, 25, 10, 50),
  dia2 = c(10, 15, 20, 10, 10),
  dia3 = c(10, 50, 50, 40, 50),
  dia4 = c(10, 40, 25, 50, 25)
)
datos

select(
  datos, 
  id, dia1:dia4
)

select(
  datos, 
  -pais:-dia2, -dia4
)

Filtra los datos según la o las condiciones.

datos <- data.frame(
  id   = c("A", "A", "A", "B", "B"),
  pais = c("Costa Rica", "Colombia", "Honduras", "Colombia", "Honduras"),
  dia1 = c(10, 30, 25, 10, 50),
  dia2 = c(10, 15, 20, 10, 10),
  dia3 = c(10, 50, 50, 40, 50),
  dia4 = c(10, 40, 25, 50, 25)
)
datos

filter(
  datos, 
  id == "A",
  dia2 < 20
)

Se utiliza para la creación o derivación de nuevas variables.

datos <- data.frame(
  id   = c("A", "A", "A", "B", "B"),
  pais = c("Costa Rica", "Colombia", "Honduras", "Colombia", "Honduras"),
  dia1 = c(10, 30, 25, 10, 50),
  dia2 = c(10, 15, 20, 10, 10),
  dia3 = c(10, 50, 50, 40, 50),
  dia4 = c(10, 40, 25, 50, 25)
)
datos

mutate(
  datos, 
  "total" = dia1 + dia2 + dia3 + dia4
)

mutate(
  datos, 
  "Mayor30" = ifelse(dia4 > 30, "Si", "No")
)

Ordena las filas según el valor de una columna.

datos <- data.frame(
  id   = c("A", "A", "A", "B", "B"),
  pais = c("Costa Rica", "Colombia", "Honduras", "Colombia", "Honduras"),
  dia1 = c(10, 30, 25, 10, 50),
  dia2 = c(10, 15, 20, 10, 10),
  dia3 = c(10, 50, 50, 40, 50),
  dia4 = c(10, 40, 25, 50, 25)
)
datos

arrange(
  datos,
  desc(pais), # Descendentemente
  dia1        # Ascendentemente
)

Se utilizan para formar grupos y obtener métricas de dichos grupos.

datos <- data.frame(
  id   = c("A", "A", "A", "B", "B"),
  pais = c("Costa Rica", "Colombia", "Honduras", "Colombia", "Honduras"),
  dia1 = c(10, 30, 25, 10, 50),
  dia2 = c(10, 15, 20, 10, 10),
  dia3 = c(10, 50, 50, 40, 50),
  dia4 = c(10, 40, 25, NA, 25)
)
datos

res <- group_by(datos, pais)
summarise(
  res, "tdia1" = mean(dia1),
  "tdia2" = mean(dia2),
  "tdia3" = mean(dia3),
  "tdia4" = mean(dia4, na.rm = T))

res <- group_by(datos, id)
summarise(
  res, "tdia1" = sum(dia1),
  "tdia2" = sum(dia2))

Para este primer ejemplo utilizaremos los datos de tuberculosis.csv (obtenidos de 2014 World HealthvOrganization Global Tuberculosis Report) el cual contiene datos sobre casos de tuberculosis (TB) reportados entre 1995 y 2013.

Estos datos proveen información epidemiológica valiosa, pero por el formato en el que están es complicado trabajar con los mismos: contiene columnas redundantes, nombres codificados de variables, valores faltantes, etc.

El dataset se caracteriza por el sistema de codificación usado en las columnas de la 5 a la 60, las cuales contienen información de grupos de datos:

• Las primeras tres letras de cada columna indican si la columna indica nuevos o viejos casos de TB (en este caso todos son nuevos).

• Las siguientes dos letras indican el tipo de caso: rel (indica recaídas), ep (TB extra pulmonar), sn (casos de TB que no pueden ser diagnosticados por medio de una citología pulmonar) y sp (casos de TB que pueden ser diagnosticados por medio de una citología pulmonar).

• La sexta letra indica el género del paciente.

• Los números restantes describen la edad (en grupos) de los pacientes, ejemplos: 014: pacientes de 0 a 14 años. 1524: pacientes de 15 a 24 años. 65: pacientes con 65 o más años.

paises <- read.table(file = "datos/tuberculosisR.csv", sep = ",", header = T)
head(paises)

paises <- pivot_longer(
  paises, cols = nuevo_sp_m.014:nuevo_rel_f.65,
  names_to = "caso", values_to = "valor")

head(paises)

paises <- separate(
  paises, sep = "_", col = "caso", 
  into = c("es.nuevo", "tipo.caso", "genero.edad"))

head(paises)

paises <- separate(
  paises, sep = "\\.", # Para separar por punto se deben agregar 2 backslash (\\)
  col = "genero.edad", into = c("genero", "edad"))

head(paises)

paises <- na.omit(paises)

head(paises)

paises <- pivot_wider(
  paises, names_from = tipo.caso, values_from = valor)

head(paises)

Se crea una nueva variable con el total de casos de tuberculosis.

paises <- mutate(
  rowwise(paises), # rowwise permite aplicar funciones como sum o mean sobre la fila.
  casos = sum(sp, sn, ep, rel, na.rm = T)
)
paises <- ungroup(paises) # Luego de aplicar rowwise es importante aplicar esta función para separar los grupos.

head(paises)

Se eliminan las variables “pais” e “iso2” debido a que tienen el mismo valor que el país, se elimina la variable “es.nuevo” ya que solo presenta un único valor y no aporta información, tamién se eliminan las variables sp, sn, ep, y rel ya que se va a trabajar solo con el total de casos.

paises <- select(paises, iso3, anno, genero, edad, casos)

head(paises)

Se transforman las variables “genero” y “edad” a tipo factor.

paises <- mutate(
  paises, genero = as.factor(genero),
  edad = factor(edad, ordered = T))

head(paises)

Para este ejemplo continuamos con los datos de tuberculosis.csv (obtenidos de 2014 World HealthvOrganization Global Tuberculosis Report) el cual contiene datos sobre casos de tuberculosis (TB) reportados entre 1995 y 2013.

paises <- read.table(file = "datos/tuberculosisR.csv", sep = ",", header = T)
head(paises)

paises <- pivot_longer(paises, cols = nuevo_sp_m.014:nuevo_rel_f.65, names_to = "caso", values_to = "valor")
paises <- separate(paises, sep = "_", col = "caso", into = c("es.nuevo", "tipo.caso", "genero.edad"))
paises <- separate(paises, sep = "\\.", col = "genero.edad", into = c("genero", "edad"))
paises <- na.omit(paises)
paises <- pivot_wider(paises, names_from = tipo.caso, values_from = valor)
paises <- mutate(rowwise(paises), casos = sum(sp, sn, ep, rel, na.rm = T))
paises <- ungroup(paises)
paises <- select(paises, iso3, anno, genero, edad, casos)
paises <- mutate(paises, genero = as.factor(genero), edad = factor(edad, ordered = T))

paises <- paises %>% 
  pivot_longer(cols = nuevo_sp_m.014:nuevo_rel_f.65, names_to = "caso", values_to = "valor") %>%
  separate(sep = "_", col = "caso", into = c("es.nuevo", "tipo.caso", "genero.edad")) %>%
  separate(sep = "\\.", col = "genero.edad", into = c("genero", "edad")) %>%
  na.omit() %>% pivot_wider(names_from = tipo.caso, values_from = valor) %>%
  rowwise() %>% mutate(casos = sum(sp, sn, ep, rel, na.rm = T)) %>% ungroup() %>%
  select(iso3, anno, genero, edad, casos) %>% 
  mutate(genero = as.factor(genero), edad = factor(edad, ordered = T))

paises

Cantidad de casos por edad en mujeres en el mundo en el año 2013.

res <- filter(paises, anno == 2013, genero == "f")
res <- group_by(res, edad)
res <- summarise(res, total.casos = sum(casos))

res <- paises %>% filter(anno == 2013, genero == "f") %>% 
  group_by(edad) %>% summarise(total.casos = sum(casos))

res

library(ggplot2)

ggplot(res, aes(x = levels(edad), y = total.casos, fill = edad)) + 
  geom_bar(stat = "identity") +  theme(legend.position = "none")

Cantidad de casos por año, para los países de México, El Salvador, España y Argentina.

res <- filter(paises, iso3 %in% c("ARG", "MEX", "SLV", "ESP"))
res <- group_by(res, iso3, anno)
res <- summarise(res, total.casos = sum(casos))

res <- paises %>% filter(iso3 %in% c("ARG", "MEX", "SLV", "ESP")) %>% 
  group_by(iso3, anno) %>% summarise(total.casos = sum(casos))

res

library(ggplot2)

ggplot(res, aes(x = anno, y = total.casos)) + 
  geom_line(aes(color = iso3, linetype = iso3))

Análisis de Componentes Principales, aplicando código disyuntivo completo a la variable género.

res <- group_by(paises, iso3, anno, genero)
res <- summarise(res, total.casos = sum(casos))
res <- mutate(res, f = ifelse(genero == "f", 1, 0), m = ifelse(genero == "m", 1, 0))
res <- ungroup(res)
res <- select(res, -iso3, -genero)

res <- paises %>% group_by(iso3, anno, genero) %>% 
  summarise(total.casos = sum(casos)) %>% 
  mutate(f = ifelse(genero == "f", 1, 0), m = ifelse(genero == "m", 1, 0)) %>%
  ungroup() %>% select(-iso3, -genero)

res

library(FactoMineR)
library(factoextra)

modelo <- PCA(res, scale.unit = T, graph = F)

fviz_pca_ind(modelo)

fviz_pca_var(modelo)

fviz_pca_biplot(modelo)